Whisper ist ein Spracherkennungsmodell von OpenAI, das gesprochene Sprache in Text umwandelt. Es wurde im September 2022 veröffentlicht und ist — anders als ChatGPT — quelloffen: Code und Modellgewichte stehen unter der freien MIT-Lizenz und dürfen ohne Lizenzkosten auch kommerziell genutzt werden. Damit ist Whisper der De-facto-Standard für KI-Transkription im Eigenbetrieb.
Funktionsweise
Whisper wurde auf hunderttausenden Stunden Audiomaterial in rund 99 Sprachen trainiert. Es transkribiert Aufnahmen, erkennt die Sprache automatisch und kann fremdsprachige Aufnahmen direkt ins Englische übersetzen. Das Modell gibt es in mehreren Größen — je größer, desto genauer und langsamer:
| Modell | Parameter | Grafikspeicher | Tempo relativ zu large |
|---|---|---|---|
| small | 244 Mio. | ~2 GB | ~4× schneller |
| medium | 769 Mio. | ~5 GB | ~2× schneller |
| large (v3) | 1.550 Mio. | ~10 GB | 1× |
| turbo | 809 Mio. | ~6 GB | ~8× schneller |
Das 2024 nachgereichte Turbo-Modell ist für die Praxis meist die beste Wahl: fast so genau wie large, aber deutlich schneller und genügsamer.
Self-Hosting: der Datenschutz-Vorteil
Der entscheidende Unterschied zu Cloud-Transkriptionsdiensten: Whisper läuft komplett auf eigener Hardware — vom Laptop bis zum Firmenserver. Besprechungsmitschnitte, Diktate oder Kundentelefonate enthalten fast immer personenbezogene Daten; bei Cloud-Diensten stellt sich damit sofort die Frage nach Auftragsverarbeitung und Drittlandtransfer. Beim Eigenbetrieb verlassen die Audiodaten das Haus nicht — das eleganteste Setup für DSGVO-konforme KI-Transkription. Wie beim generellen On-Premise-Betrieb gilt: Betrieb, Absicherung und Updates liegen dann in eigener Verantwortung.
Abgrenzung zu Cloud-Diensten
Whisper ist ein Modell, kein fertiges Produkt. Cloud-Dienste wie die OpenAI-API oder kommerzielle Transkriptionstools bieten Komfortfunktionen, Weboberflächen und Skalierung — gegen Gebühr und mit Datenabfluss. Whisper selbst liefert nur den Kern: Audio rein, Text raus. Für den Betriebseinsatz braucht es darum meist eine kleine Integration, etwa ein internes Upload-Portal oder die automatische Verschriftung von Besprechungen als Baustein einer Workflow-Automatisierung.
Einordnung für den Mittelstand
Typische Einsatzfälle: Protokolle aus Besprechungen und Gremiensitzungen, Verschriftung von Interviews und Schulungen, durchsuchbare Archive aus Audionotizen. Die Einstiegshürde ist niedrig — ein gut ausgestatteter Arbeitsplatzrechner genügt für das Turbo-Modell. Wer keine eigene Infrastruktur betreiben will, bekommt dieselbe Modellqualität als API-Dienst, handelt sich damit aber die üblichen Cloud-Datenschutzfragen ein.
Grenzen
Whisper transkribiert, mehr nicht: Es unterscheidet keine Sprecher (keine Diarisierung), erstellt keine Zusammenfassungen und kennt kein Fachvokabular des eigenen Betriebs. Bei sehr leisen Passagen oder langen Stillephasen kann das Modell Text erfinden — ein bekanntes Halluzinationsproblem, das Kontrolle wichtiger Transkripte nötig macht. Für Protokoll-Zusammenfassungen wird Whisper deshalb oft mit einem LLM als zweitem Schritt kombiniert.
Häufige Fragen
Was ist Whisper?
Whisper ist ein Spracherkennungsmodell von OpenAI, das gesprochene Sprache in Text umwandelt (Transkription) und in Englische übersetzen kann. Es wurde im September 2022 veröffentlicht und steht samt Modellgewichten unter der freien MIT-Lizenz.
Ist Whisper kostenlos?
Ja. Code und Modellgewichte sind unter MIT-Lizenz frei verfügbar und dürfen auch kommerziell genutzt werden. Kosten entstehen nur für die eigene Hardware — oder wenn man Whisper stattdessen als bezahlten Cloud-Dienst über die OpenAI-API nutzt.
Warum ist Whisper für den Datenschutz interessant?
Weil es sich vollständig auf eigener Hardware betreiben lässt: Die Audiodaten — etwa Besprechungsmitschnitte mit personenbezogenen Inhalten — verlassen das Haus nicht. Das umgeht die Kernprobleme cloudbasierter Transkriptionsdienste.
Wie gut ist Whisper auf Deutsch?
Deutsch gehört zu den am besten unterstützten der rund 99 trainierten Sprachen; die großen Modellvarianten liefern bei klarer Aufnahmequalität sehr brauchbare Ergebnisse. Bei Dialekten, Fachbegriffen und schlechter Tonqualität steigt die Fehlerrate.
Was ist das Turbo-Modell?
Eine optimierte Variante des großen Modells mit 809 Millionen Parametern: laut OpenAI rund achtmal schneller als large bei minimal geringerer Genauigkeit, mit etwa 6 GB Grafikspeicher-Bedarf — der praktische Standard für den Eigenbetrieb.